مقالات

كاميرات الذكاء الاصطناعي لتنبيه السائقين

أنظمة القيادة الذاتية من الممكن أن تجعل القيادة أقل أماناً ، حيث ينخرط السائقون في سلوكيات أكثر خطورة أثناء القيادة تحت الاعتقاد الخاطئ بأن المعدات الإلكترونية سوف تعوض عن الافتقار إلى الحذر. لذا أصبحت المركبات المزودة بأنظمة مساعدة السائق المتقدمة لا تنظر إلى الطريق فحسب، بل تنظر أيضاً إلى السائق.

في محاولة لمنع مثل هذا الاستخدام الخاطئ، استخدمت شركات صناعة السيارات لسنوات أنظمة تعتمد على الكاميرات لمراقبة حركة عين السائق ووضعية جسده وتنفسه ووضع يده بحثًا عن علامات عدم الانتباه. تتم مقارنة هذه المقاييس بالبيانات الأساسية التي تم جمعها أثناء الرحلات مع السائقين الذين كانوا في حالة تأهب تام ومركزين على الطريق. والهدف هو التأكد من أن السائقين يبدون في حالة تأهب وجاهزين للسيطرة على مهمة القيادة إذا غمرت مجموعة أجهزة الاستشعار والمحركات الإلكترونية أو أخطأت في تقدير الموقف.

الآن، تقدم العديد من الشركات التي تستهدف مشغلي أساطيل المركبات التجارية، وخاصة شركات النقل لمسافات طويلة، تقنية كاميرا لوحة القيادة التي تدعمها الذكاء الاصطناعي والتي تأخذ مراقبة السائق إلى مستوى أبعد. حيث تستخدم كاميرات لوحة القيادة الجديدة التعلم الآلي لالتقاط الإشارات السلوكية الدقيقة التي تعد علامات على النعاس. يقول إيفان ويلبورن ، نائب رئيس الذكاء الاصطناعي والبيانات في شركة سامسارا ، التي قدمت مؤخرًا حل اكتشاف النعاس الخاص بها: “سائقو الشاحنات لمسافات طويلة معرضون بشكل خاص لخطر القيادة وهم يشعرون بالنعاس لأنهم غالبًا ما يعملون لساعات طويلة ويقودون على طرق طويلة”.

تقدم تقنية مراقبة السائق التي طورتها شركة Samsara و Motive ، ومقرهما في سان فرانسيسكو، وشركة Nauto ، ومقرها في سانيفيل القريبة، كاليفورنيا، تنبيهات صوتية في الوقت الفعلي للسائق النعاس، مما يمنحه إشعارًا بأخذ قسط من الراحة لتقليل خطر وقوع حادث متعلق بالتعب. تم تكوين جميعها بحيث إذا اكتشفت كاميرا لوحة القيادة أن السائق يواصل تشغيل السيارة أثناء إظهار علامات النعاس بعد التنبيه داخل الكابينة، فيمكنها الاتصال مباشرة بمديري الأسطول حتى يتمكنوا من تدريب السائق وتعزيز تدابير السلامة.

يتم تدريب كل من الأنظمة على التقاط مجموعات مختلفة من العلامات التي تشير إلى نعاس السائق. على سبيل المثال، يتتبع الذكاء الاصطناعي لشركة Motive، الذي تم تقديمه في يوليو 2024، التثاؤب وحركة الرأس. يؤدي التثاؤب “المفرط” ووضعية الرأس التي تشير إلى أن السائق قد أبعد نظره عن الطريق لمدة خمس ثوانٍ إلى تشغيل تنبيه.

تتبع ميزة اكتشاف النعاس من Nauto، التي تم تقديمها في نوفمبر 2021 ، سلوك السائق الفردي بمرور الوقت، وتتبع التثاؤب ومؤشرات أخرى مثل مدة الرمش وتكراره والتغيرات في وضعية جسم السائق بشكل عام. يتم تدريب الذكاء الاصطناعي في Nauto بحيث عندما تتراكم علامات النعاس هذه إلى مستوى مرتبط بالمخاطر غير المقبولة، فإنه يصدر تنبيهًا للسائق.

تطلق تقنية مراقبة السائق من Samsara تنبيهًا صوتيًا للسائق عندما تكتشف مجموعة من أكثر من اثني عشر أعراض للنعاس، بما في ذلك إغلاق العين لفترة طويلة، وإيماء الرأس، والتثاؤب، وفرك العينين، والانحناء، وهي علامات واضحة على أن السائق ينام.

تحسين فعالية أجهزة الكشف

ويشير ويلبورن إلى أن الجيل الجديد من أدوات الكشف عن النعاس يعتمد على مقياس كارولينسكا للنعاس (KSS). ويوضح أن “KSS عبارة عن مقياس من تسع نقاط لإجراء تقييم يعتمد على ما يصل إلى 17 سلوكًا بما في ذلك التثاؤب، وتشوهات الوجه، والارتعاشات المفاجئة” التي تحدث عندما يستيقظ الشخص مستيقظًا بعد فترة وجيزة من النوم. “تأخذ درجة KSS في الاعتبار كل هذه السلوكيات وتمنحنا طريقة كمية لتقييم شامل، هل هذا الشخص نعسان؟”

يقول ستيفان هيك، الرئيس التنفيذي لشركة نوتو، إن الذكاء الاصطناعي في شركته مُهيأ للتدخل عند مستوى كارولينسكا 6. “نحن نتجاهل العلامات المبكرة جدًا للنعاس لأن الناس يجدونها مزعجة إذا كانوا في حالة تأهب مفرطة. عند المستوى 1 أو 2، لن يدرك الشخص أنه نعسان بعد، لذا فإن التنبيهات عند هذه المستويات ستبدو مجرد إزعاج”. يقول هيك إنه بحلول الوقت الذي يصل فيه نعاسهم إلى المستوى 5 أو 6، فإنهم يبدأون في أن يكونوا خطرين لأنهم يُظهرون فترات طويلة من عدم الانتباه. “وعند هذه النقطة، يعرفون أنهم نعسانون، لذا فإن التنبيه لن يكون مفاجأة لهم.

مع وضع ذلك في الاعتبار، قام فريق Samsara AI بتدريب نموذج التعلم الآلي للتنبؤ بنتيجة النوم Karolinska المرتبطة بسلوك السائق باستخدام أكثر من 180 مليار دقيقة من لقطات الفيديو (التي تصور 220 مليار ميل مقطوع). جاءت اللقطات من كاميرات لوحة القيادة في مركبات أسطول عملائها. يتذكر ويلبورن أن التحدي الكبير كان اكتشاف حالات السلوكيات المرتبطة بالنعاس وسط هذا الجبل من البيانات. “إنه أمر نادر نوعًا ما، لذا فإن الحصول على أمثلة كافية لتدريب نموذج كبير يتطلب دراسة كمية هائلة من البيانات”. ويقول إن التحدي نفسه كان إنشاء تسميات لكل هذه البيانات، “ومن خلال عدة تكرارات، التوصل إلى نموذج يتماشى مع التعريف السريري للنعاس”.

المصدر
spectrum

مقالات ذات صلة

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

زر الذهاب إلى الأعلى